融合过程定性知识的贝叶斯故障定位与诊断研究

To overcome the shortcomings of traditional fault diagnosis methods, this project tries to design fault diagnosis methods by integrating process data and qualitative knowledge using Bayesian methods, which are capable of dealing with knowledge incomplete systems. Bayesian fault detection and localization methods are firstly developed for different kinds of fault types by integrating process quantitative knowledge. Considering the fact that incipient faults generally influence a samll number of process variables, a Bayesian sparse reconstruction method is developed. For faults with wide spread influences, a fault detection and localization method based on Bayesian networks and kernel density estimation/ density ratio estimation is developed by integrating the variable causality. After localizing and isolating the fault variables, fault diagnosis is investigated by integrating fault knowledge. When the fault modes are available, an EM algorithm based method is developed; to make use of fault type knowledge, a probabilistic discriminant analysis based fault diagnosis method is designed. To deal with the case of incomplete fault knowledge, a fault diagnosis method based on Dirichlet process prior is introduced, which is capable of discovering unkonwn fault types. The fault diagnosis results are further combined with fault isolation results to complement the fault database. The focus will be on how to quantitatively describe the qualitative knowledge by transferring the qualitative knowledge into the model structure or prior distribution of specific parameters. Finally, the project will further extend the developed methods to deal with process dynamics, missing data and outliers. The main application will be focused on metallurgical and chemical process like blast furance ironmaking process.

为解决传统故障诊断方法在处理知识不完备系统方面的不足，本项目拟利用贝叶斯方法开展融合过程定性知识的故障定位与诊断研究。首先面向不同的故障类型研究故障检测与定位方法：针对故障早期阶段影响变量少的特点，研究适用于早期故障的贝叶斯稀疏重构法；对影响变量较多的故障，融合变量因果关系设计基于贝叶斯网络和核密度/密度比估计的故障定位方法。在此基础上，研究融合故障知识的诊断方法：在故障模式可用时，设计基于EM算法的诊断方法；为利用故障类别知识，研究基于概率判别分析的诊断方法；在故障类别不完备时，设计基于Dirichlet过程先验的诊断方法。并进一步结合故障定位结果，补充故障模式与故障类别知识库。重点关注如何将可用的过程定性知识转化为模型结构和参数的先验分布，以实现定性知识的定量描述。最后考虑所设计方法在动态过程及存在异常和缺失数据等情况下的扩展，将研究方法应用于高炉冶炼等流程工业过程。

为解决传统故障诊断方法在处理知识不完备系统方面的不足，本项目利用贝叶斯方法开展融合过程定性知识的故障定位与诊断研究。首先面向不同的故障类型研究故障检测与定位方法：针对故障早期阶段影响变量少的特点，研究适用于早期故障的贝叶斯稀疏重构法；对影响变量较多的故障，融合变量因果关系设计基于贝叶斯网络和核密度/密度比估计的故障定位方法。在此基础上，研究融合故障知识的诊断方法：在故障模式可用时，设计基于EM算法的诊断方法；为利用故障类别知识，研究基于概率判别分析的诊断方法；在故障类别不完备时，设计基于Dirichlet过程先验的诊断方法。并进一步结合故障定位结果，补充故障模式与故障类别知识库。重点关注如何将可用的过程定性知识转化为模型结构和参数的先验分布，以实现定性知识的定量描述。最后考虑所设计方法在动态过程及存在异常和缺失数据等情况下的扩展，将研究方法应用于高炉冶炼等流程工业过程。在四年的研究过程中，设计了基于稀疏核表示框架、概率图模型、序列高斯图模型、结构化联合稀疏主成分分析、概率判别分析、贝叶斯先验规则推断等多种新型故障定位与诊断方法，通过将过程定性知识以模型结构、概率先验分布等形式，有效提高了故障定位的精度和故障诊断的有效性。除项目预期研究内容外，进一步在相关领域进行了拓展，开发了基于自组织学习和条件概率密度估计的非线性多模态过程软测量建模方法、基于局部加权非高斯回归的软测量建模方法等。在上述研究的基础上，初步探索了结构化稀疏方法在提升故障定位有效性方面的潜力，并对大规模过程故障定位问题的研究思路进行了思考，取得了一定的前期成果，为后续研究的开展奠定了基础。项目组成员完成了项目计划书中的所有理论研究内容，解决了所列的全部关键性科学问题，并对相关方法进行了应用验证。在相关领域共发表论文21篇，其中SCI收录论文13篇，在国际国内学术会议上发表会议论文8篇，申请/授权发明专利5项，培养硕士生6名，并与浙江大学苏宏业教授团队联合培养博士生1名，均已顺利毕业。总体来看，项目圆满完成了各项既定目标，达到了结题要求。